You are on page 1of 70

Programacin dinmica:

Introduccin
Recordemos el problema de la mochila:
Se tienen n objetos fraccionables y una mochila.
El objeto i tiene peso p
i
y una fraccin x
i
(0x
i
1)
del objeto i produce un beneficio b
i
x
i
.
El objetivo es llenar la mochila, de capacidad C,
de manera que se maximice el beneficio.





Una variante: la mochila 0-1
x
i
slo toma valores 0 1, indicando que el objeto
se deja fuera o se mete en la mochila.
Los pesos, p
i
, y la capacidad son nmeros
naturales.
Los beneficios, b
i
, son reales no negativos.

maximizar b
i
x
i
1si sn

sujeto a p
i
x
i
1si sn

s C
con 0 s x
i
s 1, b
i
> 0, p
i
> 0, 1 s i s n
Ejemplo:
n=3 C=15
(b
1
,b
2
,b
3
)=(38,40,24)
(p
1
,p
2
,p
3
)=(9,6,5)

Recordar la estrategia voraz:
Tomar siempre el objeto que proporcione mayor
beneficio por unidad de peso.
Se obtiene la solucin:
(x
1
,x
2
,x
3
)=(0,1,1), con beneficio 64
Sin embargo, la solucin ptima es:
(x
1
,x
2
,x
3
)=(1,1,0), con beneficio 78

Por tanto, la estrategia voraz no calcula
la solucin ptima del problema de la
mochila 0-1.
Programacin dinmica:
Introduccin


Tcnica de programacin dinmica
Se emplea tpicamente para resolver problemas
de optimizacin.
Permite resolver problemas mediante una
secuencia de decisiones.
Como el esquema voraz

A diferencia del esquema voraz, se producen
varias secuencias de decisiones y slamente al
final se sabe cul es la mejor de ellas.

Est basada en el principio de optimalidad de
Bellman:

Cualquier subsecuencia de decisiones
de una secuencia ptima de decisiones
que resuelve un problema
tambin debe ser ptima respecto al
subproblema que resuelve.
Programacin dinmica:
Introduccin
R. Bellman: Dynamic Programming,
Princeton University Press, 1957.
Supongamos que un problema se resuelve tras
tomar un secuencia d
1
, d
2
, , d
n
de decisiones.

Si hay d opciones posibles para cada una de las
decisiones, una tcnica de fuerza bruta
explorara un total de d
n
secuencias posibles de
decisiones (explosin combinatoria).

La tcnica de programacin dinmica evita
explorar todas las secuencias posibles por medio
de la resolucin de subproblemas de tamao
creciente y almacenamiento en una tabla de las
soluciones ptimas de esos subproblemas para
facilitar la solucin de los problemas ms
grandes.
Programacin dinmica:
Introduccin
Sea mochila(k,l,P) el problema:





El problema de la mochila 0-1 es mochila(1,n,C).

El problema de la mochila 0-1

maximizar b
i
x
i
i =k
l

sujeto a p
i
x
i
i =k
l

s P
con x
i
e{0, 1} , k s i s l
Ecuacin de recurrencia hacia adelante:

Si es el beneficio (o ganancia total) de una
solucin ptima de mochila(j,n,c), entonces


dependiendo de que el objeto j-simo entre o no
en la solucin (ntese que slo puede entrar si
c-p
j
0).

Adems,
El problema de la mochila 0-1
Ambas ecuaciones permiten calcular ,
que es el valor de una solucin ptima de
mochila(1,n,C).

g
1
(C)
(Ntese que la ecuacin de recurrencia es
hacia adelante pero el clculo se realiza hacia atrs.)

v
g
j
( c )

v
g
j
( c )
=
max
v
g
j
+ 1
( c ) ,
v
g
j
+ 1
( c

p
j
)
+
b
j
{ }

v
g
n
+ 1
( c )
=
0 , para cualquier capacidad c
Ecuacin de recurrencia hacia atrs:

Si es el beneficio (o ganancia total) de una
solucin ptima de mochila(1,j,c), entonces


dependiendo de que el objeto j-simo entre o no
en la solucin (ntese que slo puede entrar si
c-p
j
0).

Adems,
El problema de la mochila 0-1
Ambas ecuaciones permiten calcular ,
que es el valor de una solucin ptima de
mochila(1,n,C).

g
n
(C)
(Ahora la recurrencia es hacia atrs pero el clculo
se realiza hacia adelante.)

w
g
j
( c )

w
g
j
( c )
=
max
w
g
j
1
( c ) ,
w
g
j
1
( c

p
j
)
+
b
j
{ }

w
g
0
( c )
=
0 , para cualquier capacidad c
Tanto la recurrencia hacia adelante como hacia atrs
permiten escribir un algoritmo recursivo de forma
inmediata.
El problema de la mochila 0-1
funcin mochila1(p,b:vector[1..n] de nat;
C:nat) devuelve nat
principio
devuelve g(n,C)
fin
funcin g(j,c:nat) devuelve nat
principio
si j=0 entonces devuelve 0
sino
si c<p[j]
entonces devuelve g(j-1,c)
sino
si g(j-1,c)g(j-1,c-p[j])+b[j]
entonces
devuelve g(j-1,c)
sino
devuelve g(j-1,c-p[j])+b[j]
fsi
fsi
fsi
fin
Problema: ineficiencia
Un problema de tamao n se reduce a dos
subproblemas de tamao (n-1).
Cada uno de los dos subproblemas se reduce a
otros dos
Por tanto, se obtiene un algoritmo exponencial.

Sin embargo, el nmero total de sub-
problemas a resolver no es tan grande:
La funcin tiene dos parmetros:
el primero puede tomar n valores distintos y
el segundo, C valores.
Luego slo hay nC problemas diferentes!

Por tanto, la solucin recursiva est
generando y resolviendo el mismo
problema muchas veces.
El problema de la mochila 0-1

w
g
j
( c )
Para evitar la repeticin de clculos,
las soluciones de los subproblemas se
deben almacenan en una tabla.
Matriz nC cuyo elemento (j,c) almacena
Para el ejemplo anterior:
n=3 C=15
(b
1
,b
2
,b
3
)=(38,40,24)
(p
1
,p
2
,p
3
)=(9,6,5)
El problema de la mochila 0-1

w
g
j
( c )

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
p
1
= 9 0 0 0 0 0 0 0 0 0 38 38 38 38 38 38 38
p
2
= 6 0 0 0 0 0 0 40 40 40 40 40 40 40 40 40 78
p
3
= 5 0 0 0 0 0 24 40 40 40 40 40 64 64 64 64 78

w
g
j
( c )
=
max
w
g
j
1
( c ) ,
w
g
j
1
( c

p
j
)
+
b
j
{ }

El problema de la mochila 0-1
algoritmo mochila(ent p,b:vect[1..n]de nat;
ent Cap:nat;
sal g:vect[0..n,0..Cap]de nat)
variables c,j:nat
principio
para c:=0 hasta Cap hacer g[0,c]:=0 fpara;
para j:=1 hasta n hacer g[j,0]:=0 fpara;
para j:=1 hasta n hacer
para c:=1 hasta Cap hacer
si c<p[j]
entonces
g[j,c]:=g[j-1,c]
sino
si g[j-1,c]g[j-1,c-p[j]]+b[j]
entonces
g[j,c]:=g[j-1,c]
sino
g[j,c]:=g[j-1,c-p[j]]+b[j]
fsi
fsi
fpara
fpara
fin
Clculos posibles a partir de la tabla g:
beneficio total: g[n,Cap]
los objetos metidos en la mochila:
El problema de la mochila 0-1
algoritmo objetos(ent p,b:vect[1..n]de nat;
ent Cap:nat;
ent g:vect[0..n,0..Cap]de nat)
principio
test(n,Cap)
fin
algoritmo test(ent j,c:nat)
principio
si j>0 entonces
si c<p[j] entonces test(j-1,c)
sino
si g[j-1,c-p[j]]+b[j]>g[j-1,c]
entonces
test(j-1,c-p[j]);
escribir('meter ',j)
sino test(j-1,c)
fsi
fsi
fsi
fin
Consideraciones finales

Cada componente de la tabla g se calcula en
tiempo constante, luego el coste de construccin
de la tabla es O(nC).

El algoritmo test se ejecuta una vez por cada
valor de j, desde n descendiendo hasta 0, luego
su coste es O(n).

Si C es muy grande, entonces esta solucin no es
buena.

Si los pesos p
i
o la capacidad C son reales,
esta solucin no sirve.
El problema de la mochila 0-1
Camino de coste mnimo en un
grafo multietapa
Grafo multietapa:
Un grafo multietapa G=(V,A) es un grafo
dirigido en el que se puede hacer una particin
del conjunto V de vrtices en k (k2) conjuntos
distintos V
i
, 1ik, tal que todo arco del grafo
(u,v) es tal que ueV
i
y veV
i+1
para algn i, 1i<k.
Los conjuntos V
1
y V
k
tienen un solo vrtice que
se llama vrtice origen, o, y vrtice destino, d,
respectivamente.








Consideraremos grafos etiquetados.
Denotamos por c(u,v) el coste del arco (u,v).
10 1
2
3
4
5
6
7
8
9
5
7
2
3
1
4
5
9
8
11
6
4
5
9
12
V
1
V
2
V
3
V
4
V
5
o
d
El problema: Encontrar un camino de
coste mnimo que vaya de o a d.

Todo camino de o a d tiene exactamente un
vrtice en cada V
i
, por eso se dice que cada V
i

define una etapa del grafo.
10 1
2
3
4
5
6
7
8
9
5
7
2
3
1
4
5
9
8
11
6
4
5
9
12
V
1
V
2
V
3
V
4
V
5
o
d
Camino de coste mnimo en un
grafo multietapa
Ejemplo de aplicacin:
Se tienen n unidades de un recurso que deben
asignarse a r proyectos.
Si se asignan j, 0jn, unidades al proyecto i se
obtiene un beneficio N
i,j
.
El problema es asignar el recurso a los r
proyectos maximizando el beneficio total.
Camino de coste mnimo en un
grafo multietapa
Formulacin como grafo multietapa:
Nmero de etapas: r+1
La etapa i, 1ir, representa el proyecto i.
Hay n+1 vrtices v
i,j
, 0jn, en cada etapa i,
2ir.
Las etapas 1 y r+1 tienen un vrtice, o=v
1,0
y
d=v
r+1,n
, respectivamente.
El vrtice v
i,j
, 2ir, representa el estado en el
que se asignan un total de j unidades del
recurso a los proyectos 1, 2, , i-1.
Los arcos son de la forma (v
i,j
,v
i+1,l
) para todo
jl y 1i<r.
El arco (v
i,j
,v
i+1,l
), jl, tiene asignado un coste
N
i,l-j
que corresponde a asignar l-j unidades
del recurso al proyecto i, 1i<r.
Adems hay arcos de la forma (v
r,j
,v
r+1,n
), que
tienen asignado un coste
Camino de coste mnimo en un
grafo multietapa

max
0spsn j
{ N
r , p
}.
Grafo resultante para r=3 y n=4.
La asignacin ptima est definida por un
camino de coste mximo de o a d.
Para convertirlo en un problema de camino
de coste mnimo basta cambiar los signos de
las etiquetas.
Camino de coste mnimo en un
grafo multietapa

o = v
1,0

v
2,1

v
2,0

v
2,2

v
2,3

v
2,4

v
3,0

v
3,1

v
3,2

v
3,3

v
3,4

d = v
4,4

N
1,0

N
1,1

N
1,2

N
1,3

N
1,4

N
2,0

N
2,0

N
2,1

N
2,1

N
2,2

N
2,3

N
2,4

N
2,0

N
2,0

N
2,1

N
2,0

N
2,1

N
2,2

N
2,3

N
2,2

N
3,0

max
i=0,1
{N
3,i
}

max
i=0,1,2
{ N
3,i
}

max
i=0,1,2,3
{ N
3,i
}

max
i=0,1,2,3,4
{ N
3,i
}
Solucin de programacin dinmica:





Cada camino de o a d es el resultado de una
secuencia de k-2 decisiones.
Decisin i-sima: determinar, a partir de un
vrtice v
i
de V
i
, un arco que tenga a v
i
como
origen y algn nodo de V
i+1
como destino.

Principio de optimalidad:

El camino de coste mnimo debe contener
subcaminos de coste mnimo entre otros nodos.

Dem.: En otro caso, podran sustituirse dichos
subcaminos por otros mejores, resultando
un camino total de coste menor.
Camino de coste mnimo en un
grafo multietapa
10 1
2
3
4
5
6
7
8
9
5
7
2
3
1
4
5
9
8
11
6
4
5
9
12
V
1
V
2
V
3
V
4
V
5
o
d
Ecuacin de recurrencia hacia adelante:
Sea s(i,j) un camino de coste mnimo C
*
(i,j)
desde el vrtice j del conjunto V
i
hasta el
vrtice destino d.
Entonces:
Camino de coste mnimo en un
grafo multietapa
10 1
2
3
4
5
6
7
8
9
5
7
2
3
1
4
5
9
8
11
6
4
5
9
12
V
1
V
2
V
3
V
4
V
5
o
d

C
-
(k 1, j) =
c( j , d) , si ( j , d) eA
, en otro caso




C
-
(i , j) = min
leV
i+1
( j ,l)eA
c( j , l) +C
-
(i + 1, l)
{ }
, para 1 s i s k 2

Camino de coste mnimo en un
grafo multietapa
10 1
2
3
4
5
6
7
8
9
5
7
2
3
1
4
5
9
8
11
6
4
5
9
12
V
1
V
2
V
3
V
4
V
5
o
d

C
-
(k 1, j) =
c( j , d) , si ( j , d) eA
, en otro caso




C
-
(i , j) = min
leV
i+1
( j ,l)eA
c( j , l) +C
-
(i + 1, l)
{ }
, para 1 s i s k 2

C
-
(3, 5) = min{8 +C
-
(4,7),11 +C
-
(4, 8),6 +C
-
(4,9)} = 13
C
-
(3,6) = 4 +C
-
(4, 8) = 13
C
-
(2, 2) = min{3 +C
-
(3, 5),1 +C
-
(3,6)} = 14
C
-
(2, 3) = 4 +C
-
(3, 5) = 17
C
-
(2, 4) = min{5 +C
-
(3, 5),9 +C
-
(3,6)} = 18
C
-
(1,1) = min{5 +C
-
(2, 2),7 +C
-
(2, 3), 2 +C
-
(2, 4)} = 19
Falta almacenar las decisiones hechas en cada
etapa que minimizan el coste:
Sea D(i,j) el valor de l que minimiza

Entonces el camino de coste mnimo es:
v
1
=1; v
2
=D(1,1); v
3
=D(2,D(1,1)); etc.
Camino de coste mnimo en un
grafo multietapa

c ( j , l )
+
C
-
( i
+
1 , l ).
10 1
2
3
4
5
6
7
8
9
5
7
2
3
1
4
5
9
8
11
6
4
5
9
12
V
1
V
2
V
3
V
4
V
5
o
d

D(3, 5) = 7; D(3,6) = 8
D(2, 2) = 6; D(2, 3) = 5; D(2, 4) = 5
D(1,1) = 2

v
1
= 1
v
2
= D(1,1) = 2
v
3
= D(2,D(1,1)) = 6
v
4
= D(3,D(2,D(1,1))) = 8

Camino de coste mnimo en un
grafo multietapa
algoritmo multietapa(ent G=(V,A,c):grafo;
ent k,n:nat;
sal P:vect[1..k]de 1..n)
{Los vrtices estn numerados de forma que los
ndices de los vrtices de una etapa son mayores
que los ndices de los de la etapa anterior.
El primer ndice de C
*
y D, que slo identificaba
la etapa, se ha suprimido.}
variables C:vect[1..n]de real;
D:vect[1..n]de 1..n;
j,r:1..n
principio
C[n]:=0.0; {Clculo de C
*
y D}
para j:=n-1 descendiendo hasta 1 hacer
r:=vrtice t.q. (j,r)eA 3
c(j,r)+C[r] es mnimo;
C[j]:=c(j,r)+C[r];
D[j]:=r
fpara;
P[1]:=1; P[k]:=n; {Construccin del camino}
para j:=2 hasta k-1 hacer
P[j]:=D[P[j-1]]
fpara
fin
Coste del algoritmo:

Si G est representado mediante listas de
adyacencia, entonces el clculo de r en el interior
del primer bucle lleva un tiempo proporcional al
grado del vrtice j.

Por tanto, si a es el nmero de arcos del grafo, el
coste total del algoritmo es O(n+a).

(El segundo bucle lleva un tiempo O(k).)
Camino de coste mnimo en un
grafo multietapa
Anlogamente, se desarrolla la
recurrencia hacia atrs.
Ecuacin de recurrencia hacia atrs:
Sea s(i,j) un camino de coste mnimo C
*
(i,j)
desde el vrtice origen o hasta el vrtice j del
conjunto V
i
.
Entonces:
Camino de coste mnimo en un
grafo multietapa
10 1
2
3
4
5
6
7
8
9
5
7
2
3
1
4
5
9
8
11
6
4
5
9
12
V
1
V
2
V
3
V
4
V
5
o
d

C
-
(2, j) =
c(o, j) , si (o, j) eA
, en otro caso




C
-
(i , j) = min
leV
i1
(l , j)eA
c(l , j) +C
-
(i 1, l)
{ }
, para 3 s i s k

Camino de coste mnimo en un
grafo multietapa
algoritmo multietapaB(ent G=(V,A,c):grafo;
ent k,n:nat;
sal P:vect[1..k]de 1..n)
{Los vrtices estn numerados de forma que los
ndices de los vrtices de una etapa son mayores
que los ndices de los de la etapa anterior.
El primer ndice de C
*
y D, que slo identificaba
la etapa, se ha suprimido.}
variables C:vect[1..n]de real;
D:vect[1..n]de 1..n;
j,r:1..n
principio
C[1]:=0.0; {Clculo de C
*
y D}
para j:=2 hasta n hacer
r:=vrtice t.q. (r,j)eA 3
c(r,j)+C[r] es mnimo;
C[j]:=c(r,j)+C[r];
D[j]:=r
fpara;
P[1]:=1; P[k]:=n; {Construccin del camino}
para j:=k-1 descendiendo hasta 2 hacer
P[j]:=D[P[j+1]]
fpara
fin
Nota: La eficiencia es la misma si G est representado mediante
listas de adyacencia inversa.
Multiplicacin de una
secuencia de matrices
Se desea calcular el producto matricial:

Como es asociativo, existen varias formas
(Recordar que el algortimo resultante de la
definicin del producto de dos matrices pq y qr
necesita pqr multiplicaciones de escalares.)

Ejemplo: se quiere calcular el producto ABCD, de
las matrices A(135), B(589), C(893) y D(334).






El caso ms eficiente es casi 19 veces ms rpido
que el ms lento!

M= M
1
M
2
M
n

n multip.
( ( AB ) C ) D ) 10582
( AB ) ( CD ) 54201
( A ( BC ) ) D 2856
A ( ( BC ) D ) 4055
A ( B ( CD ) ) 26418
Cmo hallar el mejor mtodo?
1. Insertar los parntesis de todas las formas
posibles (significativamente diferentes).
2. Calcular para cada una el nmero de
multiplicaciones escalares requeridas.

Cuntas formas posibles T(n) de
insertar parntesis existen en un
producto de n matrices?
Si cortamos entre la i y la (i+1)-sima:


Entonces tenemos T(i)T(n-i) formas distintas.

Como i puede tomar valores entre 1 y n-1:





Nmeros de Catalan
Multiplicacin de una
secuencia de matrices

M= (M
1
M
2
M
i
)(M
i +1
M
i +2
M
n
)

T(1) = 1

T(n) = T(i)T(ni)
i =1
n1

, para n > 1
Los nmeros de Catalan crecen
exponencialmente.
De hecho puede demostrarse que:



Por ejemplo:



Luego el mtodo directo no sirve.
Multiplicacin de una
secuencia de matrices

T(n) =
1
n
2n 2
n 1
|
\

|
.
|

n 1 2 3 4 5 10 15
T(n) 1 1 2 5 14 4862 2674440




Aplicacin del principio de
optimalidad:
Si el mejor modo de realizar el producto exige
dividir inicialmente entre las matrices i e
(i+1)-sima, los productos

debern ser realizados de forma ptima para que
el total tambin sea ptimo.

Mtodo:
Construir la matriz [m
ij
], 1ijn, donde m
ij
da el
ptimo (i.e., el nmero de multiplicaciones
escalares requeridas) para la parte
del producto total.
La solucin final vendr dada por m
1n
.
Multiplicacin de una
secuencia de matrices
S. Godbole: On efficient computation of
matrix chain
products, IEEE Transactions on
Computers, 22(9),
pp. 864-866, 1973.

M
1
M
2
M
i
y M
i +1
M
i +2
M
n

M
i
M
i +1
M
j
Construccin de [m
ij
], 1ijn:
Guardar las dimensiones de las M
i
, 1in, en
un vector d, de 0..n componentes, de forma
que M
i
tiene dimensiones d
i-1
d
i
.
La diagonal s de [m
ij
] contiene los m
ij
tales
que j-i=s:







El tercer caso representa que para calcular
se intentan todas las
posibilidades
y se escoge la mejor.
De forma ms compacta:
Multiplicacin de una
secuencia de matrices

M
i
M
i +1
M
i +s

(M
i
M
i +1
M
k
)(M
k+1
M
k+2
M
i +s
)

s = 0: m
i ,i
= 0, para i = 1, 2, , n
s = 1: m
i ,i +1
= d
i 1
d
i
d
i +1
, para i = 1, 2, , n 1
1 < s < n: m
i ,i +s
= min
i sksi +s1
(m
ik
+ m
k+1,i +s
+ d
i 1
d
k
d
i +s
) ,
para i = 1, 2, , ns

m
ij
=
0, si i = j
min
i sk< j
{ m
ik
+ m
k+1, j
+ d
i 1
d
k
d
j
} , si i < j



Para el ejemplo anterior:
A(135), B(589), C(893) y D(334)
Se tiene d=(13,5,89,3,34).
Para s=1: m
12
=5785, m
23
=1335, m
34
=9078.
Para s=2:




Para s=3:




La matriz es:
Multiplicacin de una
secuencia de matrices

m
13
= min(m
11
+ m
23
+ 13 5 3, m
12
+ m
33
+ 13 89 3)
= min(1530, 9256) = 1530
m
24
= min(m
22
+ m
34
+ 5 89 34, m
23
+ m
44
+ 5 3 34)
= min(24208, 1845) = 1845

m
14
= min({k = 1} m
11
+ m
24
+ 13 5 34,
{k = 2} m
12
+ m
34
+ 13 89 34,
{k = 3} m
13
+ m
44
+ 13 3 34)
= min(4055, 54201, 2856) = 2856

j = 1 2 3 4
i = 1 0 5785 1530 2856
s = 3
2 0 1335 1845
s = 2
3 0 9078
s = 1
4 0
s = 0
Solucin recursiva inmediata:
Aplicacin de la ecuacin recurrente.
Problema: complejidad exponencial.

Almacenamiento de las soluciones de
los subproblemas en una tabla:
Nmero de subproblemas: O(n
2
).
Multiplicacin de una
secuencia de matrices

Multiplicacin de una
secuencia de matrices
algoritmo parentOpt(ent d:vect[0..n]de nat;
sal m:vect[1..n,1..n]de nat;
sal km:vect[1..n,1..n]de 1..n)
{m es la matriz [m
ij
] definida antes;
km[i,j] guarda el ndice k para el que se alcanza
el mnimo al calcular m[i,j].}
variables i,r,j,k,q:nat;
principio
para i:=1 hasta n hacer
m[i,i]:=0
fpara;
para r:=2 hasta n hacer
para i:=1 hasta n-r+1 hacer
j:=i+r-1;
m[i,j]:=;
para k:=i hasta j-1 hacer
q:=m[i,k]+m[k+1,j]+d[i-1]*d[k]*d[j];
si q<m[i,j]
entonces
m[i,j]:=q;
km[i,j]:=k
fsi
fpara
fpara
fpara
fin
Coste en tiempo:

O(n
3
)


Coste en memoria:

O(n
2
)
Multiplicacin de una
secuencia de matrices
Falta hacer el producto!
El elemento km[i,j] guarda el valor de ktal que la
divisin ptima de parte el
producto entre M
k
y M
k+1
.
Por tanto:
Multiplicacin de una
secuencia de matrices

M
i
M
i + 1
M
j
funcin multSec(M:vect[1..n]de matriz;
km:vect[1..n,1..n]de 1..n;
i,j:1..n)
devuelve matriz
variables X,Y:matriz
principio
si j>i
entonces
X:=multSec(M,km,i,km[i,j]);
Y:=multSec(M,km,km[i,j]+1,j];
devuelve mult(X,Y)
sino
devuelve M[i]
fsi
fin
Caminos mnimos entre todos
los pares de nodos de un grafo




Problema:
Clculo de los caminos de coste mnimo entre
todos los pares de vrtices de un grafo dirigido
sin ciclos de peso negativo.

Principio de optimalidad:
Si i
1
, i
2
, , i
k
, i
k+1
, , i
n
es un camino de coste
mnimo de i
1
a i
n
, entonces:
i
1
, i
2
, , i
k
es un camino de coste mnimo de
i
1
a i
k
, y
i
k
, i
k+1
, , i
n
es un camino de coste mnimo
de i
k
a i
n
.

Aplicacin del principio:
Si k es el vrtice intermedio de mayor ndice en el
camino ptimo de i a j, entonces el subcamino de
i a k es un camino ptimo de i a k que, adems,
slo pasa por vrtices de ndice menor que k.
Lo anlogo ocurre con el subcamino de k a j.
R.W. Floyd:
Algorithm 97: Shortest path,
Communications of the ACM, 5(6), p. 345, 1962.
Sea C(i,j) el coste de la arista (i,j) o infinito si esa
arista no existe. Sea C(i,i)=0.
Sea D
k
(i,j) la longitud (o distancia) del camino de
coste mnimo de i a j que no pasa por ningn
vrtice de ndice mayor que k.
Sea D(i,j) la longitud del camino de coste mnimo
de i a j.
Entonces:




Ahora, un camino ptimo de i a j que no pase
por ningn vrtice de ndice mayor que k bien
pasa por el vrtice k no.
Si pasa por k entonces:


Si no pasa por k entonces ningn vrtice
intermedio tiene ndice superior a k-1:
Caminos mnimos entre todos
los pares de nodos de un grafo

D(i , j) = min min
1sksn
D
k1
(i , k) + D
k1
(k , j)
{ }
, C(i , j)




`
)

D
0
(i , j) =C(i , j), 1s i s n, 1s j s n

D
k
(i , j) = D
k1
(i , k) +D
k1
(k , j)

D
k
(i , j) = D
k1
(i , j)
En resumen:
Se tiene la siguiente ecuacin recurrente que
define el mtodo de programacin dinmica.






Caminos mnimos entre todos
los pares de nodos de un grafo

D
0
(i , j) =C(i , j), 1s i s n, 1s j s n

D
k
(i , j) = min D
k1
(i , j) , D
k1
(i , k) +D
k1
(k , j)
{ }
,

k >1

{Pre: g es un grafo dirigido etiquetado sin
ciclos negativos}
funcin Floyd(g:grafo)
devuelve vector[vrt,vrt] de etiq
variables D:vector[vrt,vrt] de etiq;
u,v,w:vrt; et,val:etiq
principio
{inicialmente la distancia entre dos vrtices
tiene el valor de la arista que los une;
las diagonales se ponen a cero}
para todo v en vrt hacer
para todo w en vrt hacer
D[v,w]:=etiqueta(g,v,w)
{ si no hay arco}
fpara;
D[v,v]:=0
fpara;
...
Caminos mnimos entre todos
los pares de nodos de un grafo

...
para todo u en vrt hacer
para todo v en vrt hacer
para todo w en vrt hacer
si D[v,u]+D[u,w]<D[v,w]
entonces D[v,w]:=D[v,u]+D[u,w]
fsi
fpara
fpara
fpara;
devuelve D
fin
{Post: D=caminosMnimos(g)}
Nota: pivotes(u) devuelve el conjunto de vrtices que
han sido pivotes en pasos anteriores del algoritmo.
Caminos mnimos entre todos
los pares de nodos de un grafo
Eficiencia temporal: O(n
3
)
representacin con matriz de adyacencia:
igual que reiterar Dijkstra (Algoritmos
voraces,,pg. 16), aunque el interior del bucle en
Floyd es ms simple
representacin con listas de adyacencia:
Dijkstra + colas con prioridad est en O(anlog n)
Espacio:
Floyd exige O(n
2
) mientras que Dijkstra precisa
O(n)
Ejercicio: clculo de las secuencias de
nodos que componen los caminos
mnimos
si el camino mnimo de m a n pasa primero por p
y despus por q, la secuencia de vrtices que
forman el camino mnimo de p a q forma parte de
la secuencia de vrtices que forman el camino
mnimo de m a n
usar un vector bidimensional C indexado por
vrtices: C[v,w] contiene un nodo u que forma
parte del camino mnimo entre v y w
Caminos mnimos entre todos
los pares de nodos de un grafo
Un problema de fiabilidad de
sistemas
El problema:
Disear un sistema compuesto de varios
dispositivos conectados en serie.


Sea r
i
la fiabilidad de D
i
, i.e., la probabilidad de
que funcione correctamente.

Entonces, la fiabilidad del sistema sistema entero
es:


Por ejemplo, si n=10 y r
i
=0,99, 1i10, la
fiabilidad de cada dispositivo es muy alta y sin
embargo
D
n
D
1
D
2
D
3


r
i
i = 1
n
[

r
i
i =1
10
[
= 0, 904
Una forma de aumentar la fiabilidad es duplicar
los dispositivos (en paralelo).





Si la fase i contiene m
i
copias de D
i
, la
probabilidad de que toda la fase falle es


Luego la fiabilidad de la fase i es


Por tanto, si r
i
=0,99 y m
i
=2, la fiabilidad de la fase
i es 0,9999.
En realidad, la fiabilidad de la fase i es algo
menor que (las copias de un mismo
dispositivo no son completamente independien-
tes pues su diseo es comn, por ejemplo);
si denotamos la fiabilidad de la fase i por
entonces la fiabilidad del sistema es:
Un problema de fiabilidad de
sistemas
D
n

D
n

D
n
D
1

D
1

D
1
D
2

D
2
D
3

D
3

D
3

D
3

Fase 1 Fase 2 Fase 3 Fase n

(1r
i
)
m
i

1 (1 r
i
)
m
i

1 (1 r
i
)
m
i

|
i
(m
i
)

|
i
(m
i
)
1si sn
[
El problema: maximizar la fiabilidad duplicando
los dispositivos y con alguna limitacin en el
coste.






Donde c
i
es el coste de cada unidad de
dispositivo i.
Como c
i
>0 y m
j
1, entonces 1m
i
u
i
con
Un problema de fiabilidad de
sistemas

maximizar |
i
(m
i
)
1si sn
[
sujeto a c
i
m
i
1si sm

s c
m
i
> 1 y entero, 1 s i s n

u
i
= c + c
i
c
j
j =1
n

|
\

|
.
|
c
i



(

(
Una solucin ptima m
1
, m
2
, , m
n
es el
resultado de una secuencia de decisiones, una
por cada m
i
.

Denotemos:







Entonces el valor de una solucin ptima es f
n
(c).
Un problema de fiabilidad de
sistemas

f
i
(x) = mximo |
j
1s j si
[
(m
j
)
sujeto a c
j
m
j
s x
1s j si

1 s m
j
s u
j
, 1 s j s i
La ltima decisin requiere elegir m
n
de entre
{1,2,3,,u
n
}.
Una vez tomada la ltima decisin, las restantes
decisiones deben utilizar el resto de fondos
c-c
n
m
n
de forma ptima.
Se cumple el principio de optimalidad y




En general, para f
i
(x), i1, se tiene:






Se resuelve de forma similar al problema de la
mochila 0-1 (ejercicio).
Un problema de fiabilidad de
sistemas

f
0
(x) = 1, para todo x, 0 s x s c

f
n
( c )
=
max
1 s
m
n
s
u
n
| n
( m
n
) f
n
1
( c

c
n
m
n
)
{ }

f
i
( x )
=
max
1 s
m
i
s
u
i
| i
( m
i
) f
i
1
( x

c
i
m
i
)
{ }
El problema del viajante de
comercio
Recordar:

Encontrar un recorrido de longitud mnima para
un viajante que tiene que visitar varias ciudades
y volver al punto de partida, conocida la
distancia existente entre cada dos ciudades.

Es decir, dado un grafo dirigido con arcos de
longitud no negativa, se trata de encontrar un
circuito de longitud mnima que comience y
termine en el mismo vrtice y pase exactamente
una vez por cada uno de los vrtices restantes
(circuito hamiltoniano).
Ms vueltas!
Sean G=(V,A) un grafo orientado,
V={1,2,,n},
L
ij
la longitud de (i,j)eA,
L
ij
= si no existe el arco (i,j).

El circuito buscado empieza en el vrtice 1.
Se compone de (1,j), con j1, seguido de un
camino de j a 1 que pasa exactamente una vez
por cada vrtice de V\{1,j}.

Principio de optimalidad: si el circuito es ptimo,
el camino de j a 1 debe serlo tambin.

Sea S_V\{1} un subconjunto de vrtices e
ieV\S un vrtice;
llamamos g(i,S) a la longitud del camino mnimo
desde i hasta 1 que pase exactamente una vez
por cada vrtice de S.
Entonces:
El problema del viajante de
comercio

= g(1,V \{1}) =
= min
2sj sn
L
1j
+ g( j ,V \{1, j})
{ }
longitud del circuito ptimo =
Ms en general, si i1, S e ieS:



Adems:



Mtodo de resolucin:
Usar (*) y calcular g para todos los conjunto
S con un solo vrtice (distinto del 1).
Volver a usar (*) y calcular g para todos los
conjuntos S de dos vrtices (distintos del 1) y
as sucesivamente.
Cuando se conoce el valor de g para todos
los conjuntos S a los que slo les falta un
vrtice (distinto del 1) basta calcular
g(1,V\{1}).
El problema del viajante de
comercio

g(i ,S) = min
jeS
L
ij
+ g( j ,S\{ j})
{ }

g(i ,C) = L
i 1
, i = 2, 3,.,n
(*)
Ejemplo. Sea G el grafo completo de
cuatro vrtices con longitudes:





Inicializacin:

g(2,) = 5; g(3,) = 6; g(4,) = 8.

Usar (*) para obtener:

g(2,{3}) = L
23
+ g(3,) = 15;
g(2,{4}) = L
24
+ g(4,) = 18;

g(3,{2}) = 18; g(3,{4}) = 20;
g(4,{2}) = 13; g(4,{3}) = 15.
El problema del viajante de
comercio

L =
0 10 15 20
5 0 9 10
6 13 0 12
8 8 9 0




(

(
(
Ahora, utilizando de nuevo (*) para conjuntos de
dos elementos:










Finalmente:
El problema del viajante de
comercio

g(2, { 3, 4}) = min L
23
+ g(3, { 4}) , L
24
+ g(4, { 3})
{ }
=
= min{ 29, 25} = 25;

g(3, { 2, 4}) = min L
32
+ g(2, { 4}) , L
24
+ g(4, { 2})
{ }
=
= min{ 31, 25} = 25;

g(4, { 2, 3}) = min L
42
+ g(2, { 3}) , L
43
+ g(3, { 2})
{ }
=
= min{ 23, 27} = 23.

g(1, { 2, 3, 4}) = min{ L
12
+ g(2, { 3, 4}) ,
L
13
+ g(3, { 2, 4}) ,
L
14
+ g(4, { 2, 3}) } =
= min{ 35, 40, 43 } = 35.
Si adems se quiere saber cmo se
construye el circuito ptimo:

Utilizar una funcin adicional
J(i,S) es el valor de j que minimiza g(i,S) al aplicar
la frmula (*).

En el ejemplo:

J(2,{3,4}) = 4; J(3,{2,4}) = 4;
J(4,{2,3}) = 2; J(1,{2,3,4}) = 2.

Y el circuito ptimo ser pues:

1 J(1,{2,3,4}) = 2
J(2,{3,4}) = 4
J(4,{3}) = 3
1
El problema del viajante de
comercio
Coste del algoritmo:
clculo de g(j,): n-1 consultas a una tabla,
clculo de los g(j,S) tales que 1card(S)=kn-2:


clculo de g(1,V\{1}): n-1 sumas.

Tiempo de clculo:




Puesto que

(Este tiempo es mejor que O(n!) que resultara de
la estrategia de fuerza bruta, pero)

Coste en espacio (para conservar g y J): O(n2
n
)
El problema del viajante de
comercio

(n1)
n 2
k
|
\
|
.
k sumas en total ,

O 2(n1) + (n 1)k
n 2
k
|
\
|
.
k=1
n2

|
\

|
.
| = O n
2
2
n
( )

k
r
k
|
\
|
.
k=1
r

=r 2
r1
Para hacernos una idea del coste
El problema del viajante de
comercio

nmero de
vrtices
n
tiempo
fuerza bruta
n !
tiempo
prog . dinmica
n
2
2
n
espacio
prog . dinmica
n 2
n
5 120 800 160
10 3628800 102400 10240
15
1 , 31

10
12
7372800 491520
20
2 , 43

10
18
419430400 20971520
Implementacin recursiva ineficiente:
El problema del viajante de
comercio
funcin g(i,S) devuelve nat
variables msCorto,distancia,j:nat
principio
si S=
entonces
devuelve L[i,1]
sino
msCorto:=;
para todo j en S hacer
distancia:=L[i,j]+g(j,S\{j});
si distancia<msCorto
entonces
msCorto:=distancia
fsi
fpara;
devuelve msCorto
fsi
fin
Se calcula repetidas veces el mismo valor de g: O((n-1)!)
Utilizacin de una funcin con
memoria:
El problema del viajante de
comercio
{se usa una tabla gtab cuyos elementos se
inicializan con -1}

funcin g(i,S) devuelve nat
variables msCorto,distancia,j:nat
principio
si S= entonces devuelve L[i,1]
sino
si gtab[i,S]0
entonces devuelve gtab[i,S]
sino
msCorto:=;
para todo j en S hacer
distancia:=L[i,j]+g(j,S\{j});
si distancia<msCorto
entonces msCorto:=distancia
fsi
fpara;
gtab[i,S]:=msCorto;
devuelve msCorto
fsi
fsi
fin
Planificacin de trabajos
El problema:
Sea un sistema en el que la realizacin de un con-
junto de trabajos requiere la ejecucin por parte
de un conjunto de agentes (o procesadores) de
una serie de tareas diferentes para cada trabajo.

n trabajos requiriendo cada uno m tareas:
T
1i
, T
2i
, , T
mi
, 1in

la tarea T
ji
la realiza el procesador P
j
, 1jm,
y requiere un tiempo t
ji


Planificacin para los n trabajos:
Es una asignacin de tareas a intervalos de
tiempo en los procesadores.
la tarea T
ji
debe asignarse a P
j

un procesador no puede tener ms de una
tarea asignada en cada instante de tiempo
para todo trabajo i, el procesamiento de T
ji
,
j>1, no puede empezar hasta que T
j-1,i
haya
terminado
Ejemplo:
Se tiene que planificar la ejecucin de dos
trabajos en tres procesadores, de forma que los
tiempos de cada tarea vienen dados por:



Dos planificaciones posibles:








La planificacin (b) se dice no apropiativa (non-
preemptive) porque el procesamiento de una tarea
no se interrumpe hasta que sta ha terminado.
La planificacin (a) se dice apropiativa
(preemptive) porque el trabajo 1 se apropia del
procesador 2 antes de que ste termine con el
trabajo 2.

T =
2 0
3 3
5 2



(

(
tiempo 0 1 2 3 4 5 6 7 8 9 10 11 12
P
1
T
11

P
2
T
22
T
21
T
22

P
3
T
31
T
32
tiempo 0 1 2 3 4 5 6 7 8 9 10 11 12
P
1
T
11

P
2
T
22
T
21

P
3
T
32
T
31
(a)
(b)
Planificacin de trabajos
El tiempo de terminacin del trabajo i en la
planificacin S es el instante, f
i
(S), en que todas
las tareas del trabajo i han terminado.

En el ejemplo (a), f
1
(S
a
)=10 y f
2
(S
a
)=12.
En el ejemplo (b), f
1
(S
b
)=11 y f
2
(S
b
)=5.

El tiempo de terminacin, f(S), de la planificacin
S es:




El tiempo medio de terminacin, MFT(S), se
define como:

F(S) = max
1si sn
f
i
(S)
{ }

MFT(S) =
1
n
f
i
(S)
1si sn

Planificacin de trabajos
Planificacin con tiempo de terminacin ptimo
(OFT) para un conjunto de trabajos:
es una planificacin no apropiativa, S, para la
que F(S) es mnimo entre todas las
planificaciones no apropiativas.

Planificacin apropiativa y con tiempo de
terminacin ptimo (POFT):
es una planificacin apropiativa, S, para la que
F(S) es mnimo entre todas las planificaciones
apropiativas.

Planificacin con tiempo medio de terminacin
ptimo (OMFT):
es una planificacin no apropiativa, S, para la
que MFT(S) es mnimo entre todas las
planificaciones no apropiativas.

Planificacin apropiativa y con tiempo medio de
terminacin ptimo (POMFT):
es una planificacin apropiativa , S, para la que
MFT(S) es mnimo entre todas las planificaciones
apropiativas.
Planificacin de trabajos
El clculo de OFT y POFT para m>2 y el clculo
de OMFT es computacionalmente difcil
(es NP-duro).
El clculo de OFT para m=2 puede hacerse
mediante programacin dinmica.

Caso m=2:
Denotemos T
1i
como a
i
y T
2i
como b
i
.

Una planificacin est completamente
especificada fijando una permutacin de los
trabajos en uno de los procesadores (coincidir
con el otro procesador).
Cada tarea empezar tan pronto como sea
posible.
Ejemplo con 5 trabajos:
Planificacin de trabajos
a
5
a
1
a
3
a
2
a
4
b
5
b
1
b
2
b
4
b
3
P
1
P
2
planificacin (5,1,3,2,4)
Supongamos, para simplificar, que a
i
0, 1in
(si hay trabajos con a
i
=0, se construye primero la
planificacin ptima para los trabajos con a
i
0 y
despus se aaden delante los trabajos con a
i
=0).


Principio de optimalidad:

Una permutacin (planificacin) ptima es tal
que, fijado el primer trabajo de la permutacin, el
resto de la permutacin es ptimo con respecto
al estado en que quedan los dos procesadores
despus de terminar el primer trabajo.
Planificacin de trabajos
Sea g(S,t) la longitud (duracin) de una
planificacin ptima para el subconjunto de
trabajos S suponiendo que el procesador 2 no
estar disponible hasta el instante t.
Entonces:


con g(,t) = max{t,0} y a
i
0, 1in.

g(S, t) = min
i eS
a
i
+ g S\{i} , b
i
+ max{t a
i
, 0}
( )
{ }
Planificacin de trabajos
a
i
0 a
i
t
0
a
j
, jeS\{i}
b
i
b
j
, jeS\{i}
t+b
i
t+b
i
-a
i
caso ta
i
:
caso t<a
i
:
t
a
i
0 a
i
0
a
j
, jeS\{i}
b
i
b
j
, jeS\{i}
a
i
+b
i
b
i
La ecuacin recursiva resultante podra
resolverse de forma anloga a la del problema
del viajante de comercio, pero existe una
solucin mejor
Supongamos que i y j son los dos primeros
trabajos (y en ese orden) en la planificacin
ptima del subconjunto S; entonces:




Pero:





Si los dos primeros trabajos fueran j e i:
Planificacin de trabajos

g(S, t) = a
i
+ g(S\{i} , b
i
+ max{t a
i
, 0}) =
= a
i
+ a
j
+ g(S\{i , j} , b
j
+ max{b
i
+ max{t a
i
, 0} a
j
, 0}
t
ij
)

t
ij
= b
j
+ max{b
i
+ max{t a
i
, 0} a
j
, 0} =
= b
j
+b
i
a
j
+ max{ max{t a
i
, 0} , a
j
b
i
} =
= b
j
+b
i
a
j
+ max{t a
i
, a
j
b
i
, 0} =
= b
j
+b
i
a
j
a
i
+ max{t , a
i
+ a
j
b
i
, a
i
}

'
g (S, t) = a
j
+a
i
+
'
g (S\{ j , i} , b
i
+b
j
a
i
a
j
+ max{t , a
j
+ a
i
b
j
, a
j
})
Entonces:




Para que esto sea cierto para todo valor de t, se
precisa:


Es decir:


O sea:


Luego existe una planificacin ptima en la que
cada par (i,j) de trabajos adyacentes verifica (*).
Puede demostrarse que todas las planificaciones
que verifican (*) tienen la misma longitud.
Por tanto, basta generar una permutacin para la
que se cumpla (*) para todo par de trabajos
adyacentes.
Planificacin de trabajos

g(S, t) s
'
g (S, t)
max{t , a
i
+ a
j
b
i
, a
i
} s max{t , a
j
+a
i
b
j
, a
j
}

max{a
i
+a
j
b
i
, a
i
} s max{a
j
+ a
i
b
j
, a
j
}

a
i
+a
j
+ max{ b
i
, a
j
} s a
j
+ a
i
+ max{b
j
, a
i
}

min{b
i
, a
j
} > min{b
j
, a
i
}
(*)
Ahora, si


Entonces el trabajo i debera ser el primero en
una planificacin ptima.
En cambio, si


Entonces el trabajo j debera ser el ltimo en una
planificacin ptima.

Luego podemos decidir la posicin de uno de los
trabajos (el primero o el ltimo).
Repitiendo el proceso, se puede construir la
planificacin ptima.
Planificacin de trabajos

min{a
1
,a
2
, ,a
n
,b
1
,b
2
, b
n
} = a
i

min{a
1
, a
2
, , a
n
, b
1
, b
2
, b
n
} = b
j
Por tanto la solucin es:

i) ordenar los a
i
y b
i
en orden no decreciente;

ii) si el siguiente nmero de la secuencia es a
i
y el
trabajo i no ha sido planificado todava,
planificar el trabajo i en la posicin ms a la
izquierda de entre los que restan;
si el siguiente nmero es b
j
y el trabajo j no ha
sido planificado todava, planificar el trabajo j en
la posicin ms a la derecha de entre los que
restan;

(ntese que el algoritmo sirve tambin si hay
trabajos con a
i
=0)
Planificacin de trabajos
Ejemplo:
Sean n=4, (a
1
,a
2
,a
3
,a
4
) = (3,4,8,10) y
(b
1
,b
2
,b
3
,b
4
) = (6,2,9,15).
La secuencia ordenada de los a
i
y los b
i
es:
(b
2
,a
1
,a
2
,b
1
,a
3
,b
3
,a
4
,b
4
) = (2,3,4,6,8,9,10,15).

Sea o
1
,o
2
,o
3
,o
4
la secuencia ptima.
Como el nmero menor es b
2
, entonces o
4
=2.
El siguiente nmero es a
1
luego o
1
=1.
El siguiente es a
2
pero el trabajo 2 ya ha sido
planificado.
El siguiente es b
1
pero 1 ya ha sido
planificado.
El siguiente es a
3
luego hacemos o
2
=3.
Por tanto, o
3
=4.
Planificacin de trabajos
Coste: O(n log n)

Ntese que la solucin directa de


hubiera llevado al menos O(2
n
), que es
el nmero de subconjuntos S diferentes
para los que habra que calcular g(S,t).
Planificacin de trabajos

g(S, t) = min
i eS
a
i
+ g S\{i} , b
i
+ max{t a
i
, 0}
( )
{ }

You might also like